一种用于景区的车辆智能调度系统及方法
本发明属于车辆智能调度技术领域，具体涉及一种用于景区的车辆智能调度系统及方法。
背景技术：
景区览车为游客在景区内游玩提供了极大的便利，但是目前景区览车业务面临着览车投放规模盲目、览车调度分配不合理等方面的难题，有的景点览车数量无法满足游客的需求，而有的景点览车使用率较低，给览车运营企业带来较大的经济负担。因此科学准确的预测出共享览车投放景区的需求量，同时快速高效地实现不同景区间的车辆调度，不仅能满足游客对览车的需求，而且对览车运营企业和国家旅游经济的发展有着重要意义。
为解决上述问题，申请人提出利用多维度数据结合人流预测模型对景区人流进行预测分析，根据览车的载客量，确定需要调度的览车数量及发车频次，使得车辆投放能够科学合理，本申请利用所提出的深度神经网络模型解决了上述问题，所提出的独创性神经网络模型对景区的车辆智能调度具有重要意义。
本申请的有益效果如下：
1、本申请在深度神经网络中利用长短期记忆网络lstm(longshort-termmemory)的特点，能够更加准确的利用短期数据特征及长期数据特征应用于人流的准确预测，预测结果可以是一个时间点的预测结果，或一个时间段内的不同时间点的预测值结果，进而可以将预测结果进一步用于车辆智能调度上，属于本领域的首创，并非常规技术手段或公知常识。最后根据览车的载客量，确定需要调度的览车数量及发车频次，使得车辆投放能够科学合理。
2.本申请还采用了余弦激励函数及正弦指数损失函数用于对整个深度神经网络的训练，极大提升了训练精度。将之应用于智能车辆调度领域，属于首创，并非常规技术手段或公知常识。
技术实现要素：
为更准确理解本发明，需先简要理解回顾下面的基本概念。
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
深度学习的概念由hinton等人于2006年提出。基于深信度网(dbn)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。
深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分.不同的学习框架下建立的学习模型很是不同.例如，卷积神经网络(convolutionalneuralnetworks，简称cnns)就是一种深度的监督学习下的机器学习模型，而深度置信网(deepbeliefnets，简称dbns)就是一种无监督学习下的机器学习模型。
lstm(longshort-termmemory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。
卷积神经网络(convolutionalneuralnetworks,cnn)是一类包含卷积计算且具有深度结构的前馈神经网络(feedforwardneuralnetworks)，是深度学习(deeplearning)的代表算法之一。
深度卷积神经网络dcnn,则是具有多个cnn层的网络结构。
合理推定本领域技术人员均已知晓与上述有关的基础概念，故而后文仅对与本申请独创性贡献的内容进行展开描述。
在能够理解上述基本概念及常规操作方式的基础上，本申请提出了一种用于景区的车辆智能调度方法，所述方法包括：
利用数据存储服务器对信息采集模块所采集的信息进行存储；
利用数据处理中心支持人流预测和数据转换模块的处理；
利用所述信息采集模块进行信息采集，所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息；所述日期信息包括节假日及工作日的标识；
利用人流预测模块将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络的人流预测模型中，获得人流预测结果值；
利用数据转换模块将所述人流预测结果值以及所述车流信息转化为览车需求预测结果值；
利用车辆调配控制模块根据所述览车需求预测结果值对景区内的览车进行调配，还对览车司机进行调度。
可选的，所述天气信息以独热编码的形式作为所述人流预测模型中的特征；所述深度神经网络利用了正弦指数损失函数增强人流预测的准确性；所述正弦指数损失函数为：
可选的，所述人流预测模型的lstm模块能够处理人流在一个时间段内的多个时间点上的特征信息，捕捉多个时间点上的特征信息之间的时序信息，人流预测模型的预测结果是一个时间点的预测结果，或一个时间段内的不同时间点的预测值结果。
可选的，所述一设定阈值范围内的车流信息和人流信息来自与景区联动的交警-景区联动平台，所述一设定阈值设定为1-10公里，优选设定为3公里。
本申请还提出了一种用于景区的车辆智能调度系统，所述系统包括：
数据存储服务器，用于对信息采集模块的信息进行存储；
数据处理中心，以支持人流预测和数据转换的处理；
所述信息采集模块，用于进行信息采集，所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息；所述日期信息包括节假日及工作日的标识；
人流预测模块，用于将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络的人流预测模型中，获得人流预测结果值；
数据转换模块，将所述人流预测结果值以及所述车流信息转化为览车需求预测结果值；
车辆调配控制模块，根据所述缆车需求预测结果值对景区内的览车进行调配，还对览车司机进行调度。
可选的，所述天气信息以独热编码的形式作为所述人流预测模型中的特征。
可选的，所述日期信息具体包括年、月、日、星期几、小时。
可选的，所述一设定阈值范围内的车流信息和人流信息来自与景区联动的交警-景区联动平台，所述一设定阈值设定为1-10公里，优选设定为3公里。
可选的，人流预测模型包括长短期记忆网络lstm、深度卷积神经网络dcnn，所述深度卷积神经网络dcnn包括：一个或多个卷积层、一个或多个池化层、全连接层；所述卷积层采用的卷积核大小为5*5或3*3；所述池化层为最大池化法进行计算；所述深度卷积神经网络dcnn采用的激励函数为余弦激励函数，记为f(),其中
其中，θyi表示为样本i与其对应标签yi的向量夹角；所述n表示训练样本个数；所述wyi表示样本i在其标签yi处的权重；
可选的，所述深度神经网络利用了正弦指数损失函数(sine-index-softmax)增强人流预测的准确性；所述正弦指数损失函数为：
人流预测模型的lstm模块可以处理人流在一个时间段内的多个时间点上的特征信息，捕捉多个时间点上的特征信息之间的时序信息，因此人流预测模型的预测结果可以是一个时间点的预测结果，或一个时间段内的不同时间点的预测值结果。通过这种方式，可以根据需要选择一个时间点的预测结果或者不同时间段内多个预测结果。
本申请还对应提出了一种计算机设备，所述设备包括处理器、存储器，所述存储器上存储有计算机指令，所述指令用于实现上述任一种所述的方法。
本申请的创造性贡献在于：
1.本申请还采用了余弦激励函数及正弦指数损失函数用于对整个深度神经网络的训练，极大提升了训练精度。将之应用于智能车辆调度领域，属于首创，并非常规技术手段或公知常识。
2、本申请在深度神经网络中利用长短期记忆网络lstm(longshort-termmemory)的特点，能够更加准确的利用短期数据特征及长期数据特征应用于人流的准确预测，预测结果可以是一个时间点的预测结果，或一个时间段内的不同时间点的预测值结果，进而可以将预测结果进一步用于车辆智能调度上，属于本领域的首创，并非常规技术手段或公知常识。最后根据览车的载客量，确定需要调度的览车数量及发车频次，使得车辆投放能够科学合理。
本申请的技术方案充分利用了能够影响人流预测的多维度的数据信息进行人流预测，而且考虑到时序上对人流数据的影响，将lstm网络用于对人流的预测上，此外，为了进一步提升人流预测的准确性，还采用dcnn进行人流的预测，特别的，借助余弦激励函数与正弦指数损失函数(sine-index-softmax)增强了人流预测的准确性，在准确预测人流的基础上，将预测得到的人流信息用于车辆的调度，提升了览车调度的准确性，降低了管理成本，提升了游客的旅游体验。
附图说明
图1表示本申请的基本实施例的基本流程示意图
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，本申请提出了一种用于景区的车辆智能调度方法，所述方法包括：
利用数据存储服务器对信息采集模块所采集的信息进行存储；
利用数据处理中心支持人流预测和数据转换模块的处理；
利用所述信息采集模块进行信息采集，所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息；所述日期信息包括节假日及工作日的标识；
利用人流预测模块将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络的人流预测模型中，获得人流预测结果值；
利用数据转换模块将所述人流预测结果值以及所述车流信息转化为览车需求预测结果值；
利用车辆调配控制模块根据所述览车需求预测结果值对景区内的览车进行调配，还对览车司机进行调度。
可选的，所述天气信息以独热编码的形式作为所述人流预测模型中的特征；所述深度卷积神经网络利用了正弦指数损失函数增强人流预测的准确性；所述正弦指数损失函数为：
可选的，所述人流预测模型的lstm模块能够处理人流在一个时间段内的多个时间点上的特征信息，捕捉多个时间点上的特征信息之间的时序信息，人流预测模型的预测结果是一个时间点的预测结果，或一个时间段内的不同时间点的预测值结果。
可选的，所述一设定阈值范围内的车流信息和人流信息来自与景区联动的交警-景区联动平台，所述一设定阈值设定为1-10公里，优选设定为3公里。
可选的，人流预测模型包括长短期记忆网络lstm、深度卷积神经网络dcnn，所述深度卷积神经网络dcnn包括：一个或多个卷积层、一个或多个池化层、一个或多个隐含层、全连接层；所述卷积层采用的卷积核大小为5*5或3*3；所述池化层为最大池化法进行计算；所述深度卷积神经网络dcnn采用的激励函数为余弦激励函数，记为f(),其中
其中，θyi表示为样本i与其对应标签yi的向量夹角；所述n表示训练样本个数；所述wyi表示样本i在其标签yi处的权重；
可选的，所述深度卷积神经网络利用了正弦指数损失函数(sine-index-softmax)增强人流预测的准确性；所述正弦指数损失函数为：
人流预测模型的lstm模块可以处理人流在一个时间段内的多个时间点上的特征信息，捕捉多个时间点上的特征信息之间的时序信息，因此人流预测模型的预测结果可以是一个时间点的预测结果，或一个时间段内的不同时间点的预测值结果。通过这种方式，可以根据需要选择一个时间点的预测结果或者不同时间段内多个预测结果。
类似的，本申请还提出了一种用于景区的车辆智能调度系统，所述系统包括：
数据存储服务器，用于对信息采集模块的信息进行存储；
数据处理中心，以支持人流预测和数据转换的处理；
所述信息采集模块，用于进行信息采集，所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息；所述日期信息包括节假日及工作日的标识；
人流预测模块，用于将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络的人流预测模型中，获得人流预测结果值；
数据转换模块，将所述人流预测结果值以及所述车流信息转化为览车需求预测结果值；
车辆调配控制模块，根据所述缆车需求预测结果值对景区内的览车进行调配，还对览车司机进行调度。
可选的，所述天气信息以独热编码的形式作为所述人流预测模型中的特征。
可选的，所述日期信息具体包括年、月、日、星期几、小时。
可选的，所述一设定阈值范围内的车流信息和人流信息来自与景区联动的交警-景区联动平台，所述一设定阈值设定为1-10公里，优选设定为3公里。
可选的，人流预测模型包括长短期记忆网络lstm、深度卷积神经网络dcnn，所述深度卷积神经网络dcnn包括：一个或多个卷积层、一个或多个池化层、一个或多个隐含层、全连接层；所述卷积层采用的卷积核大小为5*5或3*3；所述池化层为最大池化法进行计算；所述深度卷积神经网络dcnn采用的激励函数为余弦激励函数，记为f(),其中
其中，θyi表示为样本i与其对应标签yi的向量夹角；所述n表示训练样本个数；所述wyi表示样本i在其标签yi处的权重；
可选的，所述深度卷积神经网络利用了正弦指数损失函数(sine-index-softmax)增强人流预测的准确性；所述正弦指数损失函数为：
人流预测模型的lstm模块可以处理人流在一个时间段内的多个时间点上的特征信息，捕捉多个时间点上的特征信息之间的时序信息，因此人流预测模型的预测结果可以是一个时间点的预测结果，或一个时间段内的不同时间点的预测值结果。通过这种方式，可以根据需要选择一个时间点的预测结果或者不同时间段内多个预测结果。
本申请还对应提出了一种计算机存储介质，所述存储介质上存储有程序代码，所述代码用于实现上述任一种所述的方法。
本申请还对应提出了一种计算机设备，所述设备包括处理器、存储器，所述存储器上存储有计算机指令，所述指令用于实现上述任一种所述的方法。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。
本申请还提出一种计算机可读介质，上面包含可实现上述系统的程序代码，所包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
- 还没有人留言评论。精彩留言会获得点赞！